HyperHuman es un modelo que genera imágenes humanas realistas. El modelo genera imágenes humanas coherentes y naturales capturando las características estructurales de las imágenes humanas, desde un esqueleto corporal aproximado hasta formas geométricas espaciales de grano fino. HyperHuman consta de tres partes: 1) La construcción de un conjunto de datos humanos a gran escala, HumanVerse, que contiene 340 millones de imágenes y anotaciones completas, como la postura corporal, la profundidad y las normales de la superficie; 2) Se propone un modelo de difusión de estructura latente que denoisa simultáneamente la profundidad, las normales de la superficie y las imágenes RGB sintéticas. Nuestro modelo fuerza el aprendizaje de la apariencia de la imagen, las relaciones espaciales y la geometría en una red unificada, donde cada rama del modelo posee una percepción estructural y una riqueza de textura; 3) Finalmente, para mejorar aún más la calidad visual, proponemos un refinador guiado por la estructura para una generación de mayor resolución y detalle. Numerosos experimentos demuestran que nuestro modelo genera imágenes humanas con alta fidelidad y diversidad en una variedad de escenarios, alcanzando el rendimiento más avanzado.